《高光譜遙感影像降維方法與套用》是科學出版社2021年出版的一本圖書，作者是蘇紅軍
基本介紹
- 中文名：高光譜遙感影像降維方法與套用
- 作者：蘇紅軍
- 出版社：科學出版社
- ISBN：9787030702807
內容簡介,圖書目錄,
內容簡介
本書針對高光譜遙感數據具有維數高、數據量大、冗餘度高、不確定性顯著、樣本選擇困難等特點，引入機器學習、模式識別等理論和技術，開展高光譜遙感影像降維理論、方法與套用的研究。全書共8章：第1章介紹高光譜遙感影像降維及進展；第2章介紹高光譜遙感影像降維的理論基礎、常用方法和方法評價；第3章探討高光譜遙感影像特徵提取方法，重點是基於改進K均值、層次聚類和正交投影散度、最佳化判別局部對齊等三種特徵提取算法；第4章分析高光譜遙感影像波段選擇方法，從可分性準則和搜尋策略兩方面提出新方法；第5章重點研究多目標最佳化的自適應波段選擇方法，論述能自動確定波段數目的組合型群體智慧型最佳化的高光譜遙感自適應降維方法；第6章探討高光譜遙感多特徵質量評估與最佳化方法，重點闡述多特徵質量評估的方法，並提出基於改進螢火蟲算法的高光譜遙感多特徵最佳化及基於多分類器集成的多特徵性能評估；第7章討論基於共形幾何代數的新型波段選擇方法，研究共形空間下高光譜遙感影像的信息表達問題；第8章介紹高光譜遙感影像降維方法在礦物識別、影像可視化、城市土地覆蓋分析等領域的套用等。
圖書目錄
前言
第1章 緒論 1
1.1 高光譜遙感影像降維基礎 1
1.2 高光譜遙感影像數據特徵 1
1.2.1 信息分布特徵 1
1.2.2 維數災難與Hughes現象 5
1.3 高光譜遙感影像降維研究進展 6
1.3.1 特徵提取 6
1.3.2 特徵（波段）選擇 13
1.3.3 特徵挖掘 18
1.3.4 多特徵最佳化 20
1.4 高光譜遙感影像降維面臨的挑戰 24
1.4.1 特徵可分性 24
1.4.2 特徵質量評價 25
1.4.3 距離測度函式 25
1.4.4 特徵數目確定 26
1.4.5 搜尋最佳化策略 26
1.4.6 多特徵最佳化 27
1.5 高光譜遙感影像降維的發展趨勢 27
參考文獻 28
第2章 高光譜遙感影像降維理論基礎 38
2.1 降維的理論基礎 38
2.2 特徵提取 39
2.2.1 特徵提取概述 39
2.2.2 特徵提取方法 40
2.3 特徵選擇 46
2.3.1 特徵選擇概述 46
2.3.2 特徵選擇方法 46
2.4 特徵挖掘 53
2.4.1 特徵挖掘概述 53
2.4.2 特徵混合 54
2.5 降維方法評價與選擇 56
2.5.1 特徵提取性能評價 56
2.5.2 特徵選擇策略 58
2.6 本章小結 59
參考文獻 60
第3章 高光譜遙感影像特徵提取 63
3.1 主成分分析和線性判別分析 63
3.1.1 主成分分析 63
3.1.2 線性判別分析 68
3.2 基於改進K均值的特徵提取 72
3.2.1 K均值及其存在問題 72
3.2.2 改進K均值算法 74
3.2.3 算法複雜度分析 77
3.2.4 特徵提取實驗與分析 78
3.2.5 K值估計分析 84
3.3 基於層次聚類和正交投影散度的特徵提取 85
3.3.1 基於層次聚類的特徵提取方法 86
3.3.2 層次聚類特徵提取實驗與分析 89
3.4 基於最佳化判別局部對齊的高光譜遙感影像特徵提取 93
3.4.1 DLA與KDLA算法 94
3.4.2 提出的最佳化判別局部對齊特徵提取算法 99
3.4.3 最佳化判別局部對齊特徵提取實驗與分析 101
3.5 本章小結 108
參考文獻 109
第4章 高光譜遙感影像波段選擇新方法 112
4.1 基於可分性準則的高光譜遙感影像波段選擇方法 112
4.1.1 基於MEAC的高光譜遙感影像波段選擇 112
4.1.2 基於OPD的波段選擇 114
4.1.3 基於自適應仿射傳播的波段選擇 117
4.1.4 基於可分性準則的波段選擇實驗分析 120
4.2 基於搜尋策略的高光譜遙感影像波段選擇方法 124
4.2.1 基於PSO的波段選擇 124
4.2.2 基於螢火蟲算法的波段選擇 125
4.2.3 基於搜尋策略的波段選擇實驗分析 129
4.3 本章小結 138
參考文獻 139
第5章 多目標最佳化的自適應波段選擇方法 140
5.1 多目標最佳化 140
5.1.1 多目標最佳化的基本概念 140
5.1.2 非支配解 141
5.1.3 理想點 141
5.1.4 偏好結構 142
5.1.5 基本求解方法 142
5.2 參數最佳化的組合型降維方法 142
5.2.12 PSO算法 143
5.2.2 組合型螢火蟲引導的自適應波段選擇 150
5.3 多參數最佳化的極限學習機分類 160
5.3.1 參數最佳化內容與方法 160
5.3.2 極限學習機隱含層最佳化與分類 161
5.3.3 極限學習機核函式參數和懲罰參數最佳化與分類 164
5.4 本章小結 175
參考文獻 175
第6章 高光譜遙感多特徵質量評估與最佳化 177
6.1 多特徵提取 177
6.1.1 基於局部統計特徵的空間特徵提取 177
6.1.2 基於灰度共生矩陣的空間特徵提取 178
6.1.3 基於Gabor濾波的空間特徵提取 179
6.1.4 基於形態學操作的空間特徵提取 179
6.2 多特徵質量評估 180
6.2.1 定性評價 180
6.2.2 定量評價 181
6.2.3 特徵質量評價指標的套用 184
6.3 基於改進螢火蟲算法的高光譜遙感多特徵最佳化 200
6.3.1 隨機慣性權重的螢火蟲算法 200
6.3.2 目標函式的設定 201
6.3.3 多特徵最佳化的流程 201
6.3.4 多特徵最佳化實驗分析 202
6.4 基於多分類器集成的多特徵性能評估 209
6.4.1 多分類器集成的思想介紹 209
6.4.2 分類器集成中的融合規則（投票法） 210
6.4.3 基於分類器集成的多特徵性能評估 210
6.5 本章小結 218
參考文獻 218
第7章 高光譜遙感影像新型降維方法 220
7.1 引言 220
7.2 基於CGA的高光譜遙感影像波段選擇方法 221
7.2.1 共形空間 221
7.2.2 高光譜遙感影像波段選擇與CGA理論 222
7.2.3 歐幾里得空間與共形空間的映射關係設計 224
7.2.4 距離特徵運算元設計 224
7.2.5 目標函式構建 225
7.2.6 CGA波段選擇算法步驟 225
7.3 CGA波段選擇實驗與分析 227
7.3.1 HYDICE Washington DC Mall數據實驗 227
7.3.2 AVIRIS Salinas-A數據實驗 229
7.4 本章小結 231
參考文獻 231
第8章 高光譜遙感影像降維的套用 233
8.1 降維支持下的端元提取和礦物識別 233
8.1.1 AVIRIS Cuprite數據簡介 233
8.1.2 數據降維分析 234
8.1.3 端元提取和礦物識別分析 236
8.2 波段選擇約束的影像可視化 239
8.2.1 高光譜影像信息表達模式 239
8.2.2 映射區域代表性波段選擇 241
8.2.3 影像可視化算法複雜度分析 242
8.2.4 影像可視化實驗與分析 242
8.3 城市土地覆蓋分析 244
8.3.1 波段聚類 244
8.3.2 異常波段剔除 245
8.3.3 波段聚類算法步驟 245
8.3.4 HYDICE數據實驗 246
8.3.5 HYMAP數據實驗 249
8.4 本章小結 253
參考文獻 254
